|
|
Beschreibung |
KursbeschreibungDas Themengebiet des Schlussfolgerns (engl. Reasoning) ist im Bereich der Künstlichen Intelligenz einzuordnen und befasst sich mit der Ermittlung von Konklusionen aus gegebenem Wissen. Als Teilgebiet des Schlussfolgerns befasst sich die formale Argumentation mit der Interaktion zwischen Argumenten und Gegenargumenten. Obgleich verschiedene Ansätze im Bereich der formalen Argumentation existieren, liegt der
Fokus dieses Fachpraktikums auf den sogenannten abstrakten Argumentationssystemen nach Dung [1]. Hierbei werden Argumentationsszenarien als gerichtete Graphen repräsentiert, wobei die Argumente als Knoten und die Konflikte zwischen ihnen als gerichtete Kanten dargestellt werden. Genauer stellt eine Kante in einem
solchen Graphen einen Angriff eines Arguments auf ein anderes dar. Im Kontext solcher abstrakter Argumentationssysteme ist es üblicherweise von Interesse, sogenannte Extensionen zu identifizieren, d.h. Mengen von Argumenten, die gemeinsam akzeptierbar sind und somit eine kohärente Perspektive auf das Ergebnis der Argumentation bieten.
Bisherige Arbeiten zur Schlussfolgerung mit Hilfe abstrakter Argumentation konzentrieren sich meist auf korrekte und vollständige Ansätze. Solche Verfahren haben zwar den Vorteil, immer die korrekten Ergebnisse zu liefern, können aber je nach Datenlage sehr lange Berechnungszeiten mit sich bringen. Daher sollte das Potenzial von approximativen Methoden nicht außer Acht gelassen werden. Solche Verfahren haben den Vorteil, in der Regel deutlich schneller zu sein als exakte, jedoch auch den Nachteil, dass nicht garantiert
werden kann, dass die Ergebnisse auch tatsächlich korrekt sind. In [3] wird eine bestimmter Typ neuronaler Netze, ein Graph Convolutional Network, trainiert, um zu entscheiden, ob Argumente in einer Extension enthalten sind oder nicht. Da die Gesamtklassifizierungsgenauigkeit nur bei etwa 80% liegt, werden in den beiden Folgearbeiten [1] und [4] anspruchsvollere Ansätze vorgestellt.
Das Ziel dieses Fachpraktikums besteht darin, zunächst die Resultate aus [1], [3], und [4] zu reproduzieren und darauf aufbauend die approximierten Resultate als Heuristik in einen exakten Ansatz, wie etwa in [5] beschrieben, einzubetten, um die Berechnungs- bzw. Lösungsgeschwindigkeit eines solchen Verfahrens
zu erhöhen. Somit sollen die Vorteile beider Ansätze - Exaktheit auf der einen und hohe Geschwindigkeit auf der anderen Seite - kombiniert werden, um die praktische Anwendung von Argumentationssystemen zu erleichtern.
[1] Craandijk, D., Bex, F. (2020). Deep Learning for Abstract Argumentation Semantics. In Proceedings of the Twenty-Ninth
International Joint Conference on Artificial Intelligence (IJCAI-20) (pp. 1667-1673).
[2] Dung, P. M. (1995). On the acceptability of arguments and its fundamental role in nonmonotonic reasoning, logic programming
and n-person games. Artificial intelligence, 77(2) (pp. 321-357).
[3] Kuhlmann, I., Thimm, M. (2019). Using Graph Convolutional Networks for Approximate Reasoning with Abstract Argumentation Frameworks: A Feasibility Study. In International Conference on Scalable Uncertainty Management (pp. 24-37). Springer,
Cham.
[4] Malmqvist, L., Nightingale, P., Manandhar, S. (2020). Determining the Acceptability of Abstract Arguments with Graph
Convolutional Networks. Third International Workshop on Systems and Algorithms for Formal Argumentation (SAFA2020).
[5] Geilen, L., Thimm, M. (2017). Heureka ? A General Heuristic Backtracking Solver for Abstract Argumentation. In Proceedings
of the 2017 International Workshop on Theory and Applications of Formal Argument (TAFA?17).
Inhaltliche Voraussetzungen:
Grundlagen der Graphentheorie sind fur das Verstä ndnis von abstrakten Argumentationssystemen von Vorteil. Erfahrungen mit Python und Bibliotheken wie TensorFlow/PyTorch sind hilfreich und müssen ggfs. im Eigenstudium fur das Praktikum gemacht werden.
Formal nach Prufungsordnung:
- B.Sc. Informatik: Studieneingangsphase ist abgeschlossen, die Module Grundpraktikum Programmierung, Grundlagen der Theoretischen Informatik und Softwaresysteme sind bestanden
- M.Sc. Informatik: erfolgreicher Abschluss von zwei Wahlpflichtmodulen
- M.Sc. Praktische Informatik: erfolgreicher Abschluss von zwei Wahlpflichtmodulen
- M.Sc. Wirtschaftsinformatik: erfolgreicher Abschluss von drei Wahlpflichtmodulen
Für alle bereits seit dem Sommersemester 2019 oder früher eingeschriebenen Studierenden in Studiengängen der Informatik gelten Übergangsbestimmungen gemäß der Prüfungsordnung.
Bemerkungen:
Das Fachpraktikum beginnt mit einer Online-Einführungsveranstaltung, bei der eine Übersicht über die formale Argumentation, sowie die zu bearbeitende Problemstellung gegeben wird. In einer ersten Phase des Praktikums werden zunächst in kleineren Teams die Ansätze aus [1], [3], und [4] reproduziert und damit Erfahrungen mit dem Thema gesammelt. In der zweiten Phase des Praktikums wird darauf aufbauend 1.) ein
neuer Ansatz zur Approximation entwickelt und 2.) dieser als Heuristik in den Ansatz aus [5] integriert.
Am Ende des Praktikums ist die entwickelte Software und eine schriftliche Ausarbeitung abzugeben. In einer finalen Veranstaltung hält jeder Teilnehmer einen Vortrag von ca. 10 Minuten zu einem Teilaspekt des Praktikums
|
|
|